---
type: paper
slug: soyea-lee-2025-ai-diffusion-patent-clustering
title: >-
  Dynamic patterns of AI technology diffusion: focusing on time series
  clustering and patent analysis
authors:
  - '[[soyea-lee]]'
  - '[[junseokhwang]]'
  - '[[eunsang-cho]]'
year: 2025
venue: '[[scientometrics]]'
doi: 10.1007/s11192-025-05283-5
categories:
  - '[[technology-diffusion]]'
  - '[[science-technology-policy]]'
methods:
  - '[[dynamic-time-warping]]'
  - '[[time-series-clustering]]'
  - '[[patent-analysis]]'
  - '[[k-means-clustering]]'
  - '[[welch-anova]]'
  - '[[hirschman-herfindahl-index]]'
themes:
  - '[[ai-technology-diffusion]]'
  - '[[technological-pervasiveness]]'
  - '[[general-purpose-technology]]'
  - '[[technology-life-cycle]]'
last_updated: '2026-05-20T02:11:55+09:00'
---
# Dynamic patterns of AI technology diffusion: focusing on time series clustering and patent analysis

*[[soyea-lee]], [[junseokhwang]], [[eunsang-cho]] (2025)* · [[scientometrics]] · [DOI ↗](https://doi.org/10.1007/s11192-025-05283-5)

> AI 가 General Purpose Technology (GPT) 로 성장할 수 있는지 여부를, 6,852 USPTO AI 특허 (2011-2020) 의 forward citation 시계열로 [[dynamic-time-warping]] (DTW) + K-means 시계열 군집화로 매핑. 5 개 patent index — generality (forward citation 의 기술 분포, Hirschman-Herfindahl 기반), originality (backward citation 의 기술 분포), complementarity (특허의 IPC4 종류 수), technology cycle time (TCT, backward citation 의 median age), radicalness (특허와 backward citation 의 IPC4 차이) — 를 다차원 indicator 로 사용. Phase 1 (2011-2015, 1,228 originating patent) 과 Phase 2 (2016-2020, 5,624 patent) 비교로 시간 진화 추적. 4 cluster 식별 (silhouette score 0.68 / 0.74).

- **RQ**: AI 특허의 technological pervasiveness 가 (i) 시간에 따라, (ii) diffusion level 에 따라, (iii) AI sub-technology type 에 따라 어떻게 다른 확산 패턴을 보이는가.
- **방법론**: [[dynamic-time-warping]] (DTW) 으로 unequal-length 시계열 similarity 측정 → [[k-means-clustering]] time series clustering (silhouette score 평가). 다섯 patent index 계산. Welch's t-test (heteroscedastic 변량) + Games-Howell post-hoc + Welch's ANOVA.
- **데이터**: USPTO Bulk Data + Google Patent Search, 2022.09 수집. WIPO (2019, 2022) CPC code + "artificial intelligence" 검색 키. **총 520,613 특허** — 6,852 originating + 343,975 backward + 169,786 forward. Phase 1 (2011-2015): 1,228 originating, Phase 2 (2016-2020): 5,624 originating.
- **주요 발견**: (i) 5 patent index 모두 phase 1 vs phase 2 에서 유의한 차이 (Welch's t-test, all heteroscedastic). (ii) 4 cluster 식별 — Cluster 1 이 압도적 다수 (Phase 1 80.2%, Phase 2 88.7%, 대부분 점진적 확산), 소수 cluster 가 explosive diffusion 패턴. (iii) Phase 2 의 silhouette 0.74 > Phase 1 의 0.68 — 시간 경과로 AI 의 cluster 분화가 더 뚜렷해짐. (iv) AI sub-tech type (fuzzy logic, ML, computer vision, NLP 등 WIPO 14 카테고리) 별로 indices 분포 상이.
- **시사점**: AI 정책이 단일 처방이 아니라 (i) diffusion stage, (ii) sub-technology type, (iii) pervasiveness index 별로 차별화된 접근 필요. AI 의 GPT 잠재력 실증 — Phase 2 에서 generality 증가 등 GPT-like 특성 발현.

![DTW (Dynamic Time Warping) + patent citation 시계열 데이터 — 두 patent A=(a1,...,am), B=(b1,...,bn) 의 길이가 달라도 cumulative distance $D(i,j)$ 최소화로 alignment 매칭. 본 paper 가 AI 확산 분석에 DTW 를 도입한 핵심 시각화.](/papers/202504_LeeS_Dynamic_patterns_of_AI_technology_diffusion_focusing_on_time_series_clustering_and_patent_analysis/fig1.jpeg)

## 요약

[[junseokhwang]] 의 5기 (AI 와 국가 경쟁력 · 토픽 모델링·계량 분석) 라인의 patent analysis 분기. [[soyea-lee]] 의 SNU TEMEP 박사 라인 + [[eunsang-cho]] 의 SNU Institute of Computer Technology 협력. 자매 paper 로는 [[youngsam-chun-2024-ai-specialization-competitiveness]] (국가별 AI 특화), [[dawoon-jeong-2024-ai-ethics-phylogenetic]] (AI ethics phylogenetic), [[jihye-lim-2025-hybrid-intelligence-topic-modeling]] (HI 토픽) 이 같은 5기 AI 분기. 기존 AI 영향 연구의 한계는 (i) AI 가 GPT 가 될지 정량 측정 어려움 — early stage 라 spillover 효과 추정 곤란, (ii) TLC (Technology Life Cycle) 연구가 patent stage 차이는 분석했지만 patent 간 차이는 무시. 본 paper 가 두 한계를 동시 극복 — DTW 로 micro-perspective (각 patent trajectory), 5 multidimensional pervasiveness index 로 GPT 잠재력 정량화.

방법론은 4 단계. (i) **데이터 수집**: WIPO (2019) 의 AI 카테고리 — 5 technique (fuzzy logic, logic programming, ML, ontology, probabilistic reasoning) + 9 functional application (computer vision, control, distributed AI, knowledge representation, NLP, planning, predictive analytics, robotics, speech). USPTO + Google Patent Search 로 520,613 특허 수집. (ii) **5 patent index 계산**: generality (Trajtenberg et al. 1997, forward citation 분포의 Hirschman-Herfindahl 변형), originality (backward citation 분포), complementarity (Lerner 1994, IPC4 종류 수), TCT (Kayal 1999, backward median age), radicalness (Shane 2001, IPC4 차이 비율). (iii) **DTW**: forward citation 시계열의 unequal length 를 cumulative distance 최소화로 alignment. (iv) **K-means time series clustering** + silhouette score 로 k=4 결정. 마지막 cluster 별 ANOVA + post-hoc 로 indices 차이 검증.

핵심 발견 셋. 첫째, Phase 1 vs Phase 2 모든 5 indices 유의 차이 (Welch's t-test) — heteroscedastic 변량으로 standard ANOVA 부적합. 둘째, cluster 1 (대부분 patent, 점진적 확산) vs cluster 2-4 (explosive diffusion 또는 outlier) — AI 의 대부분 patent 는 GPT 라기보다는 일반 incremental, 일부만 GPT-like. 셋째, Phase 2 에서 silhouette score 향상 (0.68 → 0.74) — AI cluster 분화 명확. 한계: USPTO 단일 데이터, 10 년 기간, AI 의 emerging stage 라 long-term GPT 여부 미확정.

## 핵심 결과

**Cluster 분포 (K-means + silhouette)**:

| Phase | 기간 | n (originating) | Silhouette | C1 (점진) | C2 | C3 (outlier) | C4 |
|---|---|---:|---:|---|---|---|---|
| 1 | 2011-2015 | 1,228 | 0.6793 | 985 (80.21%) | 44 (3.58%) | 2 (0.16%) | 197 (16.04%) |
| 2 | 2016-2020 | 5,624 | 0.7398 | 4,988 (88.69%) | 88 (1.56%) | 2 (0.04%) | 546 (9.71%) |

**5 Patent Index** (technological pervasiveness):

| Index | 정의 | Range |
|---|---|---|
| Generality | forward citation 의 기술 분포 (HHI 변형) — GPT 지표 | [0, 1] |
| Originality | backward citation 의 기술 분포 — 지식 통합 폭 | [0, 1] |
| Complementarity | 특허의 IPC4 distinct 수 — 기술 범위 | $\mathbb{N}$ |
| TCT | backward citation 의 median age (years) — 진행 속도 | $\mathbb{N}$ |
| Radicalness | 특허와 backward citation 의 IPC4 차이 비율 — 새로움 | [0, 1] |

- **데이터 규모**: 520,613 특허 (6,852 originating + 343,975 backward + 169,786 forward).
- **Phase 2 의 cluster 1 지배** (88.7%) → 대부분 AI 특허는 점진 확산, 소수만 GPT-like explosive 패턴.
- **모든 5 indices**: Welch's t-test 로 Phase 1 vs Phase 2 유의 차이 (모두 heteroscedastic).

## 방법론 노트

[[dynamic-time-warping]] (DTW, Sakoe & Chiba 1978, Müller 2007) — 두 시계열 길이가 다를 때의 similarity 측정. Euclidian distance 가 길이 다를 때 부적합하므로 DTW 사용.

**Point distance**:

$$
d(a_i, b_j) = (a_i - b_j)^2
$$

**Cumulative distance (DP)**:

$$
D(i, j) = d(a_i, b_j) + \min \begin{cases} D(i, j-1) \\ D(i-1, j-1) \\ D(i-1, j) \end{cases}
$$

이 cumulative 가 두 시계열의 optimal alignment 거리. K-means clustering 의 distance metric 으로 사용.

**Generality** (Trajtenberg et al. 1997):

$$
\text{Generality}_i = 1 - \sum_{k=1}^{n} \left( \frac{\text{Citing}_{ik}}{\text{Citing}_i} \right)^2
$$

$k$ 는 citing patent 의 technology class index (IPC4), $n$ 은 distinct class 수. Hirschman-Herfindahl 변형 — citation 이 다양한 기술 분야에 퍼지면 generality 높음, GPT 지표.

**Originality** (대칭 구조, backward citation 기준):

$$
\text{Originality}_i = 1 - \sum_{h=1}^{n} \left( \frac{\text{Cited}_{ih}}{\text{Cited}_i} \right)^2
$$

**Complementarity** (Lerner 1994 patent scope):

$$
\text{Complementarity}_i = n_i, \quad n \in \{\text{IPC4}_1, \ldots, \text{IPC4}_n\}, \quad \text{IPC4}_p \neq \text{IPC4}_q
$$

**TCT** (Kayal 1999):

$$
\text{TCT}_i = \text{Med}(\Delta t)
$$

$\Delta t$ 는 originating patent $i$ 의 grant date 와 backward citation grant date 차이.

**Radicalness** (Shane 2001):

$$
\text{Radicalness}_i = \sum_{b=1}^{n} \frac{\text{Unique}_b}{n}
$$

$b$ 는 patent $i$ 가 cite 한 patent, $\text{Unique}_b$ 는 patent $b$ 의 IPC4 중 patent $i$ 에 없는 distinct 수.

통계 검증은 normality (Kolmogorov-Smirnov + Shapiro-Wilk), homogeneity (Levene + Bartlett) 후 heteroscedastic 인 경우 Welch's t-test + Games-Howell post-hoc, homoscedastic 인 경우 one-way ANOVA + Bonferroni. K-means cluster 수는 silhouette score (-1~1, 클수록 좋음) 로 평가.

## 연구 계보

[[junseokhwang]] 의 5기 (AI 와 국가 경쟁력) 라인의 patent analysis 분기. author page anchor 의 "AI 와 국가 경쟁력" 라인의 직계 자매 — [[youngsam-chun-2024-ai-specialization-competitiveness]] (국가별 AI 특화, PLOS ONE), [[dawoon-jeong-2024-ai-ethics-phylogenetic]] (phylogenetic + LDA, finance AI), [[jihye-lim-2025-hybrid-intelligence-topic-modeling]] (HI topic), Lee et al. (2022, Scientometrics) 의 AI 기술 수렴 분석 (industry 비교). 같은 author page anchor 의 "네트워크 분석" 라인 중 [[keungoui-kim-2019-technology-convergence-patent-network]] (특허 네트워크로 기업 TC 측정, R&D Management) 가 patent analysis 측 ancestor.

기술적 reference:
(i) **Patent index**: Trajtenberg, Henderson & Jaffe (1997) generality / originality 원조, Lerner (1994) patent scope, Kayal (1999) TCT, Shane (2001) radicalness, Squicciarini et al. (2013) OECD patent quality measurement.
(ii) **DTW**: Sakoe & Chiba (1978), Müller (2007), Li (2015). 적용 영역 — voice recognition (Rabiner & Juang 1993), motion recognition, biology, stock market.
(iii) **GPT 이론**: Feldman & Yoon (2012), Hall & Trajtenberg (2004), Graf & Menter (2022), Hötte et al. (2022) AI as GPT.
(iv) **TLC 이론**: S-curve 의 Ernst (1997) 4 stage, Gao et al. (2013) patent 지표 단계별 차이.

[[junseokhwang]] author page anchor 의 5기 "AI 와 국가 경쟁력" 라인 (2024-2026 의 시기) 의 paper 측 출력. ITPP / GRC / ASPP 프로그램의 정책 함의 측면 (어떤 sub-tech 에 정책 자원 집중할지) 과 연계 가능.

## See also

- [[junseokhwang]]
- [[soyea-lee]]
- [[eunsang-cho]]
- [[scientometrics]]
- [[dynamic-time-warping]]
- [[patent-analysis]]
- [[ai-technology-diffusion]]
- [[general-purpose-technology]]
- [[technology-life-cycle]]
- [[youngsam-chun-2024-ai-specialization-competitiveness]]
- [[dawoon-jeong-2024-ai-ethics-phylogenetic]]
- [[jihye-lim-2025-hybrid-intelligence-topic-modeling]]
- [[keungoui-kim-2019-technology-convergence-patent-network]]